一种基于多层次区域合成的图像分割方法技术

一种基于多层次区域合成的图像分割方法，首先利用现有多层次图像分割算法得到多层次分割结果；其次进行全局层次范围的合成：由低层次到高层次选择图像的多幅分割结果，分别计算每个层次的图像区域特征，并对多种征进行统一量化描述，建立多层次图像分割的合成模型，利用多标签图割方法进行分割区域的最优组合；然后根据全局层次合成的结果，选择局部层次范围，用多标签图割模型进行第二次合成；最后将第二次合成的层次标签进行区域映射，获得最终的图像分割结果。本发明专利技术从多个分割层次中选择目标分割质量高的区域，实现了自适应选择；并使用较少的区域特征计算分割质量，减少参与计算的区域节点数量，使用的优化组合模型优化效果更好。

An Image Segmentation Method Based on Multi-level Region Composition

【技术实现步骤摘要】
一种基于多层次区域合成的图像分割方法
本专利技术涉及计算机视觉、图像处理
，尤指多层次图像分割技术，特别是一种基于多层次区域合成的图像分割方法。
技术介绍
图像分割是指提取图像中有意义的目标区域的过程，图像包含的目标具有多层次(尺度)的特点，即同一目标可按细节和语义层次的不同表示成数量不同的若干区域。多层次图像分割方法能得到不同层次的图像分割结果，并表示成树形结构，形成具有上下层关系的多层次图像内容表达。对不同层次的目标区域进行提取，能适应不同目的的计算机视觉任务，提高处理精度和效率，是充分挖掘高分辨率和复杂场景图像应用潜力的有效途径。近年来该种技术引起了相关领域的广泛关注，成为图像分割技术的主流研究方向。为了在多层次图像分割中获取最终目标的描述，常用的处理方法是设定阈值，在树形结构中提取某一层次，得到针对具体应用的图像分割结果。存在问题包括：首先，图像可能包含多个目标，其最优分割可能各自出现在不同的分割层次；其次，分割层次选择依赖于专家的阈值设定，不仅繁琐且存在主观差异。研究图像分割的层次选择问题，是完善分多层次图像割技术的必要手段，能有效提高图像语义分割、图像显著性目标检测、视频目标检测、目标识别等相关领域的技术水平。图像分割层次的选择必须以目标的分割质量为依据，目前有大量针对图像分割质量评价的方法，但很少直接应用在分割算法的改进上。这些评价方法中，常见的是对图像分割的区域或边界特征进行描述，包括：区域内部性质的一致性、相邻区域性质的差异性、区域大小、形状特征、周长特征等。然后利用经验评价准则，对各种特征的好坏定量描述：例如设计特征质量评价函数，对单一或多个特征进行量化，函数值的大小直接反映分割质量的好坏程度。另外有方法利用机器学习技术，用训练好的分类器对分割特征好坏进行分类。其中，评价函数方法的质量评价准确度较低，对分割质量的综合描述能力较差；机器学习方法需要较多特征数量，训练过程产生的计算复杂度和计算量非常很大，一般仅能对分割质量的好坏进行粗略分类，不能进一步刻画好坏的程度。图像分割层次的选择还依赖于目标区域的优化组合。如果以单一层次为整体进行选择，不需要对区域进行组合。它可直接代替专家阈值设定，减少人工工作量，但不能保证对每个个体目标都实现优化选择。为进一步提高图像分割的准确度，需要从不同的分割层次选择最优目标并组合。本专利技术设计并采用了组合优化模型，即多标签图模型实现多层次分割区域组合，它所用的树形节点数量较少，且依赖的节点特征种类数量少，并能获得高质量的图像分割结果，具有很大的实用价值。
技术实现思路
鉴于现有多层次图像分割中层次选择方法存在的局限性，本专利技术的目的是提供一种从多个分割层次中选择最优目标分割区域，并对其进行优化组合的图像分割方法。具体技术方案如下：一种基于多层次区域合成的图像分割方法，通过图像分割的层次采样选择，提取不同层次图像分割的区域特征，利用特征所反映的分割质量和多层次区域之间的语义一致性，建立多层次分割区域优化组合模型，得到最优的分割结果，包括如下步骤：步骤1：通过现有多层次分割算法获取具有树形结构的分割结果，包括二叉树或超度量轮廓图；将分割结果按分割层次逐一展开，得到自下而上n幅单一层次的分割图像S＝{s1,s2,...,sn}，其中每个分割结果包含的区域个数满足|s1|＜|s2|＜...＜|sn|；步骤2：第一次分割层次组合，在全局层次范围选择最优层次区域，包括：步骤2.1：在S中选取k1个分割层次用于区域合成；以l1为固定步长，由低到高选择k1幅分割结果其中计算S1中每幅分割图像区域的五种特征：区域内颜色一致性特征、纹理一致性特征、区域间颜色直方图卡方距离和纹理直方图卡方距离，以及分割区域的几何尺寸特征；将这五种特征值相加，得到区域的分割质量分数；步骤2.2：构建多层次分割区域的组合优化图模型G＝＜V,E＞，V，E分别表示图G的节点和连接节点的边，分别对应中的分割区域以及区域之间的连接关系；设置图模型的n-links值：对于ei∈E，如果且ei的权值为10000，否则为10；设置图模型的t-links值：V中每个节点有k1个t-links值，分别设为步骤2.1中基准分割层次与中的每一个层次之间对应区域的分割质量分数；其中，基准分割层次的区域r在其它层次中对应的区域定义为：r'为层次中的区域，S'为中的任意一个层次；步骤2.3：求解步骤2.2中所构建图模型的最优解，得到V中每个节点的最优层次类别标签其中记L1中覆盖分割区域面积最大的标签为lmax；步骤3：第二次分割层次组合，在局部层次范围选择最优层次区域，进一步优化组合，包括：步骤3.1：以lmax对应的分割层次为中心，以l2为固定步长，在lmax的局部前后选择k2个层次的分割结果，计算S2中每幅分割中区域内颜色一致性特征、纹理一致性特征、区域间颜色直方图卡方距离、区域间纹理直方图卡方距离，以及分割区域的几何尺寸特征；将这五种特征值相加，得到区域的分割质量分数；步骤3.2：重复步骤2.2，构建以为基准的图模型，并用步骤2.2的方法设定n-links值，用步骤3.1的结果设t-links值；步骤3.3：求解步骤3.2中所构建图模型的最优解，得到每个节点的层次类别标签步骤4：根据步骤3.3得到的标签找到对应分割层次的分割区域，将区域按原空间位置排列，得到合成的分割结果。进一步地，所述步骤2中k1值不大于10，即固定步长l1不小于所述步骤3中k2值不大于7。更进一步地，k1值设置为7，l2设置为1。与现有技术相比，本专利技术的有益效果是：一、区别于以往基于最优阈值的单一层次选择方法，本专利技术从多个分割层次中选择目标分割质量高的区域，实现了目标分割层次的自适应选择。目前多层次图像分割方法的分割结果大多依赖阈值设定选择层次，以单一分割层次作为图像分割结果，无法充分发挥多层次分割算法对图像目标描述的优势。本专利技术采用多层次分割区域合成的思想，克服了繁琐的人工阈值操作和单一目标层次描述的局限性。二、区别于现有多层次分割的层次选择方法，本专利技术使用较少的区域特征计算分割质量，减少参与计算的区域节点数量，使用的优化组合模型更先进，优化效果更好。现有多层次分割层次选择方法依赖于分类器的训练，需要使用二十余种分割特征计算区域分割质量，区域合成需大量树形节点参与，对区域特征向量采用局部优化方法进行选择，计算量大，优化效率不高。本专利技术采用多标签图模型进行区域合成，仅使用五种分割特征计算区域分割质量，通过层次采样选择部分树形节点，利用图模型对区域特征的相对质量进行比较，降低判别难度，且模型优化能力更强，计算量更小、效率更高。附图说明图1是BSDS500数据库上用最优阈值层次选择和本专利技术方法进行合成层次选择的定性比较结果；图2是BSDS100数据库上用不同分割算法和本专利技术方法得到的JaccardIndex(>0.1部分)结果，并按J值从小到大排列；图3是BSDS100数据库中对包含1个目标的图像，用不同算法得到的J值结果，按J值从小到大排列；图4是BSDS100数据库中对包含2个目标的图像，用不同算法得到的J值结果，按J值从小到大排列；图5是BSDS100数据库中对包含3个目标的图像，用不同算法得到的J值结果，按J值从小到大排列；图6本文档来自技高网...

【技术保护点】
1.一种基于多层次区域合成的图像分割方法，其特征在于，通过图像分割的层次采样选择，提取不同层次图像分割的区域特征，利用特征所反映的分割质量和多层次区域之间的语义一致性，建立多层次分割区域优化组合模型，得到最优的分割结果，包括如下步骤：步骤1：通过现有多层次分割算法获取具有树形结构的分割结果，包括二叉树或超度量轮廓图；将分割结果按分割层次逐一展开，得到自下而上n幅单一层次的分割图像S＝{s1,s2,...,sn}，其中每个分割结果包含的区域个数满足|s1|＜|s2|＜...＜|sn|；步骤2：第一次分割层次组合，在全局层次范围选择最优层次区域，包括：步骤2.1：在S中选取k1个分割层次用于区域合成；以l1为固定步长，由低到高选择k1幅分割结果

【技术特征摘要】
1.一种基于多层次区域合成的图像分割方法，其特征在于，通过图像分割的层次采样选择，提取不同层次图像分割的区域特征，利用特征所反映的分割质量和多层次区域之间的语义一致性，建立多层次分割区域优化组合模型，得到最优的分割结果，包括如下步骤：步骤1：通过现有多层次分割算法获取具有树形结构的分割结果，包括二叉树或超度量轮廓图；将分割结果按分割层次逐一展开，得到自下而上n幅单一层次的分割图像S＝{s1,s2,...,sn}，其中每个分割结果包含的区域个数满足|s1|＜|s2|＜...＜|sn|；步骤2：第一次分割层次组合，在全局层次范围选择最优层次区域，包括：步骤2.1：在S中选取k1个分割层次用于区域合成；以l1为固定步长，由低到高选择k1幅分割结果其中计算S1中每幅分割图像区域的五种特征：区域内颜色一致性特征、纹理一致性特征、区域间颜色直方图卡方距离和纹理直方图卡方距离，以及分割区域的几何尺寸特征；将这五种特征值相加，得到区域的分割质量分数；步骤2.2：构建多层次分割区域的组合优化图模型G＝＜V,E＞，V，E分别表示图G的节点和连接节点的边，分别对应中的分割区域以及区域之间的连接关系；设置图模型的n-links值：对于ei∈E，如果且ei的权值为10000，否则为10；设置图模型的t-links值：V中每个节点有k1个t-links值，分别设为步骤2.1中基准分割层次与中的每一个层次之...

【专利技术属性】
技术研发人员：彭博，孙昊，李天瑞，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51